通过清晰的策略，您可以为技术采用构建商业案例，展示投资回报率，设定预期，建立目标并确保灵活性。
译自 Five Ways to Build a Robust AI and Automation Strategy，作者 Jeffrey Hausman。
如今的企业正面临着数据洪流，从 IT 运维的角度来看，这是一个重大挑战。越来越多的情况下，只有通过 AI 和自动化才能在机器的速度和规模下理解这些数据。这些技术有望赋予 ITOps 团队更快地解决问题、构建更可靠的服务以及消除疲劳和倦怠的能力。这就是为什么 71% 的企业和 IT 领导者表示他们正在 扩展 AI 和机器学习投资，而另外 75% 的领导者则表示他们正在为自动化做同样的事情，根据 PagerDuty 的研究。
然而，要克服一些障碍。
仅仅部署这些工具是不够的。企业首先需要实施明确的 AI 和自动化策略。这使他们能够为技术采用建立商业案例，展示明确的投资回报率，设定期望，确定目标并确保整个实施过程中的灵活性。
据估计，超过 35% 的企业 今天至少在一个业务职能中使用 AI，而 70% 的企业正在开始自动化其业务运营。预计这些数字将在 2030 年增长到 70% 和 90%，但有一些障碍阻碍了这一进程，包括：
- 数据质量：依赖于低质量数据的 AI 和自动化项目可能与建立在流沙上一样糟糕。不一致、不准确、信息缺失和其他问题会导致数据偏差、幻觉，最终导致决策不当。技术和业务利益相关者必须协作创建强大的数据架构，以及数据清理和数据验证流程。明确定义的数据治理策略对于概述 AI 和自动化项目的拥有权、责任和访问控制也很重要。
- 技术挑战：遗留系统、技术债务和低效的手动工作流程都阻碍了 AI 和自动化的采用。组织必须在开始项目之前解决其基础设施、流程和数据中的任何差距。
- 文化变革：鉴于 AI 和 自动化有可能从根本上改变我们的工作方式，人们对工作流失的担忧是可以理解的。为了缓解这些担忧，高级领导者必须主动接触，强调这些技术的益处。这些益处包括员工提升技能和增强技能的潜力，以及从繁重的手动劳动中解放出来的潜力。
- 安全、隐私和合规性：随着 AI 和自动化的采用不断增加，人们对可能出现的业务风险的担忧也随之增加，例如敏感信息泄露、算法偏差和提供不可靠信息的幻觉。组织需要密切关注他们输入 AI 系统的数据，并准备好适应快速发展的监管环境。他们应该考虑实施强大的安全措施来保护数据免遭未经授权的访问，并制定负责任的部署实践。
了解 AI 和自动化项目的主要障碍只是成功的一半。组织必须定义明确的企业策略，同时考虑 AI 驱动应用程序的业务需求以及对合规性、信任和安全的风险。
一旦定义了该策略，请考虑以下五个步骤：
1. 设定期望
员工可能会对 AI 和自动化导致的潜在工作流失表示担忧。一种解决方案是通过持续的变更管理策略主动解决这些担忧。这有助于传达这些技术的益处，以改善员工体验并提供计划的时间表。
2. 提供教育机会
在线或虚拟培训和其他教育计划可以帮助员工为 AI 支持的工作未来做好准备。像“黑客周”这样的游戏化技术可以鼓励员工采用 AI 和自动化优先的思维方式。此外，还要考虑确定这些技术的拥护者，他们可以帮助培养热情并分享知识。
3. 专注于数据管理和治理最佳实践
成功的 AI 和自动化项目从根本上取决于其构建数据的质量和完整性。为了提高企业对数据质量的信心，技术领导者需要与企业中的同行合作。内部数据清理和验证流程将有助于修复不一致并提高准确性。考虑与第三方数据管理和治理专家合作也是值得的。
4. 解决基础设施和可扩展性挑战
传统基础设施是 AI 和自动化的敌人，通常是集成工作的重要障碍。组织应寻求云计算和分布式计算来为新项目奠定基础，这些项目既健壮又可扩展，足以满足新兴技术的需要。AIOps 还可以通过自动化手动工作流程、减少警报疲劳并提供情报来帮助主动解决服务中断。
5. 从一开始就定义现实世界的用例
技术领导者必须与业务团队合作，开发现实世界的用例，将 AI 计划与期望的业务成果和关键绩效指标 (KPI) 联系起来。这些结果必须在部署之前、期间和之后进行监控和管理，以确保参与者充分了解其影响。
保持灵活并继续前进
没有人确切地知道 AI 和自动化将在未来几年如何发展。这就是为什么在整个过程中保持适应性很重要——保持开放的心态来采用技术，而不屈服于营销炒作。保持清醒的头脑并评估任何用例、技术堆栈和相关 KPI 是值得的。
在这里定义一个标准化的指标来衡量测试期间项目的影响可能会有所帮助。它将确保技术产生预期的结果，并使技术团队能够快速介入以改变情况，如果它没有。仔细计划，保持灵活，并在开始 AI 或自动化程序之前了解风险和收益。这不是一夜之间就能完成的旅程。